آزمایش واقعی برای هوش مصنوعی فیزیکی پس از خلبان شروع می شود

آزمایش بعدی برای هوش مصنوعی این نیست که آیا می تواند یک خلبان چشمگیر تولید کند یا خیر. مهم این است که آیا می تواند هر روز در شرایط آشفته و پر خطر دنیای فیزیکی به طور قابل اعتماد کار کند.

شرکت ها آماده هزینه کردن هستند. رادار هوش مصنوعی BCG در سال 2026 نشان داد که شرکت ها انتظار دارند در سال جاری هزینه های هوش مصنوعی را بیش از دو برابر کنند، از 0.8٪ به تقریبا 1.7٪ درآمد. اما ارزش همگام نیست. بر اساس مطالعه عملکرد هوش مصنوعی PwC در سال 2026، 74 درصد از ارزش اقتصادی هوش مصنوعی تنها توسط 20 درصد از سازمان ها بدست می آید.

محدودیت دیگر جاه طلبی یا بودجه نیست. اعدام است.

برای هوش مصنوعی فیزیکی، این چالش به ویژه حاد است. برخلاف ابزاری که یک ایمیل را تهیه می‌کند یا یک سند را خلاصه می‌کند، هوش مصنوعی فیزیکی در جایی عمل می‌کند که تصمیم‌ها بر ایمنی، زمان کار، تحویل خدمات و هزینه تأثیر می‌گذارند. حرکت آن فراتر از فاز آزمایشی به چیزی بیش از یک مدل توانمند نیاز دارد.

سازمان‌ها باید مشکلی را انتخاب کنند که ارزش حل آن را داشته باشد، به هوش مصنوعی زمینه عملیاتی برای درک آن بدهند، فناوری را در مورد نحوه انجام کار در واقع طراحی کنند و هر بینش را به یک اقدام مناسب متصل کنند.

با مشکل عملیاتی شروع کنید:

بیشتر مکالمات هوش مصنوعی سازمانی بر روی مدل های زبان بزرگ و بهره وری اداری متمرکز شده است. اما برخی از پیامدترین و پرهزینه‌ترین مشکلات تجاری فراتر از دفتر کار وجود دارد: تصادفات وسیله نقلیه، خرابی تجهیزات، توقف برنامه‌ریزی نشده و اختلال در خدمات اساسی که افراد به آنها اعتماد دارند.

هوش مصنوعی فیزیکی با استفاده از داده‌های وسایل نقلیه، تجهیزات، دوربین‌ها و حسگرها برای درک آنچه اتفاق می‌افتد و تعیین آنچه نیاز به توجه دارد، هوش را به این محیط‌ها وارد می‌کند.

به عنوان مثال، در ایمنی ناوگان، ابزارهای هوش مصنوعی می توانند اطلاعات خودروها و دوربین های متصل را در کنار عواملی مانند آب و هوا، شرایط جاده و الگوهای رانندگی تجزیه و تحلیل کنند. این زمینه به سازمان کمک می کند تا یک رویداد مجزا را از یک الگوی گسترده تر تشخیص دهد و توجه خود را در جایی متمرکز کند که می تواند بیشترین تأثیر را داشته باشد.

علاقه در حال حاضر قابل توجه است، اما استقرار محدود است. در روباتیک، یکی از برجسته‌ترین کاربردهای هوش مصنوعی فیزیکی، Capgemini دریافت که 79 درصد سازمان‌ها با این فناوری درگیر هستند، در حالی که تنها 27 درصد آن را به کار می‌گیرند یا مقیاس‌پذیر می‌کنند.

بنابراین نقطه شروع درست این نیست که "در کجا می توانیم از هوش مصنوعی استفاده کنیم؟" این است: "چه نتیجه عملیاتی را باید تغییر دهیم؟" چه چیزی باعث مشکل می شود؟ آیا داده های لازم موجود است؟ چه تصمیم یا جریان کاری باید فناوری را بهبود بخشد؟ یک خلبان بدون پاسخ روشن ممکن است توانایی فنی را بدون اثبات ارزش تجاری نشان دهد.

زمینه عملیاتی مورد نیاز هوش مصنوعی را بسازید:

انتخاب مشکل درست تنها آغاز کار است. برای حرکت فراتر از یک پایلوت کنترل شده، هوش مصنوعی باید زمینه ای را که یک سازمان در آن فعالیت می کند، درک کند.

دانستن ثبت نام یا مدل وسیله نقلیه کافی نیست. همچنین ممکن است هوش مصنوعی به تاریخچه نگهداری، مکان فعلی، مسیر معمولی، رفتار راننده و شرایط عملیاتی نیاز داشته باشد. باید بداند که این عوامل چگونه با هم تعامل دارند و عملکرد عادی در موقعیت‌های قابل مقایسه چگونه به نظر می‌رسد.

وقتی این اطلاعات در سیستم‌های مختلف تقسیم می‌شوند، به تأخیر می‌افتند یا به صورت دستی ثبت می‌شوند، هوش مصنوعی تنها بخشی از عملیات را می‌بیند. دیجیتالی کردن گردش کار و اتصال داده های عملیاتی پایه ای را ایجاد می کند که سیستم های پیشرفته تر به آن وابسته هستند.

اهمیت صرفا حجم داده ها نیست. این است که داده ها در یک سیستم عملیاتی مشترک در دسترس هستند که از طریق آن تیم ها می توانند وسایل نقلیه، تعمیر و نگهداری و تعهدات مشتری را مدیریت کنند. بدون آن شالوده مشترک، حتی یک مدل پیچیده خطر تبدیل شدن به ابزاری دیگر را قطع می کند.

طراحی برای عملیات، نه نمایش:

یک خلبان را می توان با دقت مدیریت کرد. یک استقرار مقیاس‌پذیر نمی‌تواند به مداخله مداوم یک تیم فنی بستگی داشته باشد.

عملیات فیزیکی در بین وسایل نقلیه، محل کار، انبارها و تیم های خط مقدم توزیع می شود. فناوری باید برای نصب ساده، قابل اعتماد در شرایط متغیر باشد و به سیستم هایی که کارمندان از قبل استفاده می کنند متصل باشد. همچنین باید برای افرادی کار کند که انتظار می رود بر اساس خروجی آن عمل کنند.

این امر مدیریت تغییر را بخشی از استراتژی فنی می کند. کارکنان باید بدانند که فناوری چه چیزی را شناسایی می کند، چگونه از کار آنها پشتیبانی می کند و چه اقداماتی از آنها انتظار می رود. رهبران باید مالکیت خود را ایجاد کنند، اندازه گیری کنند که آیا جریان کار در حال تغییر است یا خیر و بازخورد از خط مقدم را در خود جای دهد.

حاکمیت باید در استقرار نیز طراحی شود. سازمان‌ها باید تعریف کنند که سیستم‌ها چه اقداماتی را می‌توانند به طور مستقل انجام دهند، چه زمانی نیاز به بررسی انسانی است و چگونه می‌توان تصمیم‌ها را درک کرد یا به چالش کشید. سطح نظارت باید منعکس کننده پیامدهای بالقوه اقدام باشد.

حلقه را از بینش به عمل ببندید:

بینش یک نتیجه نیست. هوش مصنوعی فیزیکی زمانی ارزش ایجاد می کند که فاصله بین شناسایی یک مشکل و انجام کاری برای آن را کوتاه کند.

این را می توان از طریق یک مدل حس، تصمیم و عمل درک کرد. وسایل نقلیه متصل، دوربین ها و تجهیزات آنچه را که در محیط فیزیکی اتفاق می افتد حس می کنند. هوش مصنوعی این اطلاعات را در زمینه ارزیابی می کند و تصمیم می گیرد که چه چیزی نیاز به توجه دارد. سپس یک شخص یا سیستم عمل می کند - چه به معنای هشدار دادن به راننده، ایجاد یک دستور تعمیر و نگهداری یا اضافه کردن یک جاده آسیب دیده به صف تعمیرات باشد.

به عنوان مثال، یک هشدار سلامت خودرو، می‌تواند یک گردش کار تعمیر و نگهداری را آغاز کند و قبل از خراب شدن یک عیب به تیم مربوطه اطلاع دهد. فن‌آوری تشخیص چاله می‌تواند از وسایل نقلیه‌ای که قبلا در یک شهر در حال تردد هستند برای شناسایی و ارزیابی آسیب جاده‌ها استفاده کند و به تیم‌های بخش عمومی اطلاعات بهتری برای اولویت‌بندی تعمیرات و برنامه‌ریزی مسیرهای تعمیر و نگهداری بدهد.

تعادل مناسب بین اتوماسیون و مشارکت انسانی متفاوت خواهد بود. اقدامات معمول و کم عواقب ممکن است در پارامترهای تعریف شده خودکار شوند. تصمیماتی که می تواند بر ایمنی، اشتغال یا ارائه خدمات تأثیر بگذارد، باید نظارت انسانی متناسبی داشته باشد. هدف، خودمختاری به خاطر خودش نیست. این اقدام سریعتر و سازگارتر با پادمان های مناسب در محل است.

فراتر از خلبان:

سازمان‌ها باید شکاف بین سرمایه‌گذاری و ارزش هوش مصنوعی را با برخورد با هوش مصنوعی به‌عنوان یک قابلیت عملیاتی و نه یک پروژه فناوری مستقل، ببندند.

این بدان معناست که با یک مشکل قابل اندازه گیری شروع کنید، پایه داده های متنی مورد نیاز هوش مصنوعی را بسازید، طراحی استقرار پیرامون واقعیت های کار خط مقدم و اتصال هر بینش به عمل. زمانی که آن شرایط فراهم باشد، هوش مصنوعی فیزیکی می‌تواند فراتر از نمایش‌های مجزا حرکت کند و شروع به ارائه عملیات ایمن‌تر، کارآمدتر و انعطاف‌پذیرتر در مقیاس کند.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit